全文获取类型
收费全文 | 2400篇 |
免费 | 449篇 |
国内免费 | 336篇 |
专业分类
测绘学 | 1023篇 |
大气科学 | 370篇 |
地球物理 | 380篇 |
地质学 | 786篇 |
海洋学 | 283篇 |
天文学 | 21篇 |
综合类 | 199篇 |
自然地理 | 123篇 |
出版年
2024年 | 54篇 |
2023年 | 194篇 |
2022年 | 218篇 |
2021年 | 285篇 |
2020年 | 153篇 |
2019年 | 186篇 |
2018年 | 107篇 |
2017年 | 87篇 |
2016年 | 75篇 |
2015年 | 76篇 |
2014年 | 112篇 |
2013年 | 95篇 |
2012年 | 112篇 |
2011年 | 111篇 |
2010年 | 83篇 |
2009年 | 132篇 |
2008年 | 148篇 |
2007年 | 119篇 |
2006年 | 97篇 |
2005年 | 110篇 |
2004年 | 83篇 |
2003年 | 69篇 |
2002年 | 76篇 |
2001年 | 58篇 |
2000年 | 56篇 |
1999年 | 45篇 |
1998年 | 37篇 |
1997年 | 35篇 |
1996年 | 50篇 |
1995年 | 48篇 |
1994年 | 51篇 |
1993年 | 11篇 |
1992年 | 6篇 |
1991年 | 3篇 |
1988年 | 1篇 |
1957年 | 2篇 |
排序方式: 共有3185条查询结果,搜索用时 15 毫秒
31.
《测绘科学技术学报》2018,(6)
随着基于深度学习的算法在计算机视觉领域中的应用不断拓展,GOTURN(Generic Object Tracking Using Regression Networks)算法是第1个满足目标跟踪实时性要求的深度学习算法(达到100 fps),但是该算法的跟踪精度有待提高。针对此问题,采用基于运动估计的卡尔曼滤波算法与基于卷积神经网络的深度学习算法相结合的方法,将卡尔曼滤波算法融入GOTURN算法进行目标跟踪。为了验证该算法的有效性,在ILSVRC2014数据集和ALOV300++数据集中进行了训练和评估。实验结果表明,该算法不仅能够满足目标跟踪的实时性要求,而且能够提高线性系统的跟踪精度。 相似文献
32.
《测绘科学技术学报》2018,(6)
监控视频的多目标跟踪是视频智能分析的热点研究内容,其中目标的检测是目标跟踪的基础,精度高、速度快的目标检测器对于后续的实时分析任务尤为重要。提出一种针对监控视频的基于差分筛选的YOLOv2目标检测算法,采用差分算法筛选无前景目标帧及设置重叠度量阈值进行跨帧检测,改善了YOLOv2作为检测方法用于监控视频多目标跟踪任务时速度过慢的不足,同时高精度的检测结果有利于下一步多目标跟踪任务的顺利完成。利用NPLR监控视频数据集对YOLOv2目标检测算法进行了测试,并将该方法与可变型部件模型DPM进行了比较。结果表明,差分YOLOv2方法在精度上高出DPM方法0.304 6,检测时间快了26倍左右,验证了该算法的有效性。 相似文献
33.
卫星影像匹配的深度卷积神经网络方法 总被引:1,自引:1,他引:0
本文侧重于智能化摄影测量深度学习的第一个方面:深度卷积方法。传统的影像同名点对提取算法通常利用人工设计的特征描述符及其最短距离作为匹配准则进行匹配,其匹配结果易陷入局部极值,造成部分正确匹配点对的遗漏。针对这一问题,本文引入深度学习方法,设计了一种基于空间尺度卷积层的两通道深度卷积神经网络,采用其进行影像间的匹配模式学习,实现了基于深度卷积神经网络的卫星影像匹配。试验表明,在处理异源、多时相、多分辨率的卫星影像情况下,本文方法比传统匹配方法能提取到更为丰富的影像同名点对,且最终匹配提纯结果正确率优于90%。 相似文献
34.
基于U型卷积神经网络的航空影像建筑物检测 总被引:3,自引:2,他引:1
经典的卷积神经网络结构在前向传播过程中分辨率不断下降,导致仅采用末层特征时难以实现建筑物边缘的精确分割,进而限制目标检测精度。针对该问题,提出一种基于U型卷积网络的建筑物检测方法。首先借鉴在图像分割领域中性能出色的神经网络模型U-Net的建模思想,采用对称式的网络结构融合深度网络中的高维和低维特征以恢复高保真边界;其次考虑到经典U-Net对位于特征金字塔顶层的模型参数优化程度相对不足,通过在顶层和底层两个不同尺度输出预测结果进行双重约束,进一步提升了建筑物检测精度。在覆盖范围达30 km2、建筑物目标28 000余个的航空影像数据集上的试验结果表明,本文方法的检测结果在IoU和Kappa两项关键评价指标的均值上分别达到83.7%和89.5%,优于经典U-Net模型,显著优于经典全卷积网络模型和基于人工设计特征的AdaBoost模型。 相似文献
35.
36.
黄纪晨 《测绘与空间地理信息》2018,(3):137-141
GNSS测量可以同时获得相对精度较高的三维坐标,是现代工程中重要的控制网布设手段。但GNSS观测数据只被用来布设平面控制网,高程数据并没有被充分利用。本文将神经网络算法和地形改正相结合,建立高程异常拟合模型,目的是充分利用GNSS的高程观测数据,在水准测量困难地区提高效率。 相似文献
37.
为了利用大量视频监控设备提高能见度数据采集密度,提出一种基于实景图像转换的、采用简单卷积神经网络分类提取能见度等级的算法。该算法假设视频设备水平安装且具备开阔视野, 对原始视频图像进行水平分块,提取各分块的梯度、饱和度和亮度信息组成新的图像,基于简单卷积神经网络建模。采用2019年9月—2020年12月上海洋山港气象站29668张视频图像进行训练,建立识别模型,并采用2021年1—5月5757张视频图像对模型进行测试。采用该算法建立的模型参考雾的预报等级(GB/T 27964—2011)将能见度分为5个等级进行检验,白天准确率为87.99%,夜间准确率为81.32%,优于直接采用AlexNet模型。对1000 m以下低能见度天气的识别准确率达95%以上。利用现有的视频摄像头,可有效弥补气象站点能见度仪数据不足的问题,在气象业务上有一定的应用价值。 相似文献
38.
以2007~2018年西宁二十里铺气象站探空资料为模拟样本,利用MonoRTM模式模拟中心频率21.985~58.759GHz的35通道亮温,应用BP神经网络对模拟数据进行反复训练,构建最优反演模型,并以2019年探空资料为测试样本,对比分析了不同季节和不同天气条件下BP神经网络与微波辐射计的反演效果。结果表明:晴空条件下,BP神经网络与微波辐射计在温度反演上效果最佳,水汽密度次之,相对湿度最差,其中冬春季BP神经网络反演效果优于微波辐射计,夏秋季反之;有云条件下,BP神经网络温度反演效果在冬、春和夏季均优于微波辐射计,其水汽密度反演效果在四季均较微波辐射计有明显提升,其相对湿度反演效果在冬、春和夏季均较微波辐射计更佳。晴空和有云条件下,BP神经网络在不同季节反演温度、水汽密度和相对湿度的平均绝对误差和标准偏差均小于微波辐射计,尤其是相对湿度的反演精度提升最为明显。晴空条件下,BP神经网络反演温度廓线在春、夏和秋季效果最佳,反演水汽密度廓线在中低层精度较高,反演相对湿度廓线的精度较差,但基本和探空资料趋势一致;有云条件下,BP神经网络反演温度廓线与晴空时基本一致,较微波辐射计精度更高,反演水汽密度和相对湿度廓线在8km以上效果较好。 相似文献
39.
利用闪电定位仪资料分析了2010-2016年宁波市雷电的时空分布特征,根据雷电强度将6-9月雷电分为一般雷电和强雷电两组,结合NCEP再分析资料计算对流参数,运用GA-BP神经网络和费歇判别模型对雷电潜势预报进行分类方法探讨。结果表明:宁波年平均地闪次数为43223次,其中负地闪占比达95.2%;地闪的月际变化和日变化均呈单峰型,6-9月和14-19时分别为地闪次数最多的月份和时段;宁波雷电活动表现出一定的地域性,主城区以及海拔较高的奉化和宁海的西部山区是总地闪密度较大的区域。选择CAPE等4个对流参数参与建模,评估结果显示GA-BP预报准确率为71.60%,临界成功指数为56.60%,空报率和漏报率都在27%左右,模型表现出一定的预报技巧,并且该模型预报效果优于费歇判别模型。 相似文献
40.
利用2014—2017年汕头市PM2.5的日浓度资料、以及汕头市国家基准气象观测站的同期地面气象资料,重点分析了汕头市PM2.5浓度的变化特征以及风、混合层厚度、降水等气象条件对PM2.5浓度的影响,同时探讨了污染物浓度变化的成因。在此基础上,根据汕头市的气候特点,采用BP (Back-Propagation)人工神经网络方法针对汛期和非汛期分别建立了PM2.5质量浓度预报模型。结果表明:与多数内陆城市不同,汕头市PM2.5浓度日变化为单峰型,这与汕头地处沿海受海陆风影响有关;PM2.5浓度日峰值出现在08时左右,除早高峰污染物排放增加的因素外,与早晨时段的低风速环境有关;PM2.5日均浓度随着风速的增大呈现减小趋势,PM2.5日均浓度与08时混合层厚度显著相关(相关系数为-0.143);汕头市非汛期PM2.5浓度比汛期高,这与汕头市的亚热带季风气候特征有关,汛期各量级降水(暴雨以上除外)对PM2.5的清除效果无明显差别,而非汛期降水对PM2.5浓度有明显清除作用;BP人工神经网络模型的预报效果表明,汛期和非汛期的PM2.5级别命中率TS分别为100%和90.3%,准确指数分别为87.7%和89.9%,总体预报效果良好。不同时期预报模型出现正误差的数量和程度均大于负误差,汛期预报模型在有强降水发生时误差较大,而非汛期预报模型在有冷空气入侵时误差较大。 相似文献